La qualité des données en ACV

La prise en compte des différentes sources d’incertitude lors d’une étude ACV permet d’augmenter la crédibilité et la confiance aux résultats, tandis que la considération des différentes sources de variabilité permet d’étudier l’influence de l’hétérogénéité des processus.

Plusieurs approches permettant de prendre en compte les différentes sources d’incertitudes existent. Elles peuvent être qualifiées de qualitatives ou quantitatives une de ces approches et l’utilisation de la matrice de pédigrée,

En utilisant des indicateurs de qualité de données Weidema et Wesnæs (1996) ont introduit leur utilisation dans la matrice de pédigree afin d’avoir une approche semi- qualitative, pour caractériser l’incertitude des données. Les cinq critères suivants sont pondérés de 1 (meilleure note) à 5 pour chaque donnée utilisée :

- La fiabilité des données : où la notification est qualifiée suivant la vérification, la validation, qui ont été appliquées aux données ;

- L’exhaustivité : où la qualification est effectuée selon la représentativité des données, la taille des échantillons pour l’obtention des données ;

- La corrélation temporelle : la notification est qualifiée par la différence de temps entre l’année de collecte et l’année d’utilisation des données ;

- La corrélation géographique : la notification est qualifiée suivant les caractéristiques de localisation des données par rapport à l’étude ;

- La corrélation technologique : qualifie la correspondance du procédé ou processus étudié avec les données.

Les matrices de pédigree sont à la base des méta-données demandées par la base de données Ecoinvent. Les données de la matrice peuvent être utilisées par la suite pour corriger l’incertitude stochastique liée aux données (Weidema & Wesnæs 1996). Plus tard, Björklund (2002) mentionne que les indicateurs suivants peuvent être utilisés pour qualifier la qualité des données : la précision, le biais, l’exhaustivité, la transparence, la revue critique et la

reproductibilité. La normalisation ISO 14044 (Iso 2006b) a intégré ces contraintes et

mentionne le besoin des informations suivantes concernant les données à utiliser : la période de validité des données, la localisation des données, la technologie étudié, la précision, l’exhaustivité, la représentativité, la cohérence et la pertinence, les sources de données et les informations sur les incertitudes.

Cependant, cette qualification de la qualité de données reste qualitative et des efforts de recherche dans les années 2000 ont permis d’avancer vers une démarche plus quantitative. La matrice de la qualité des données peut être utilisée pour calculer l’incertitude des résultats d’ACV en tenant compte de la qualité des données d’inventaires utilisées (Leroy 2009). L’analyse des différentes sources d’incertitudes présentes dans les différentes phases de l’ACV (Björklund 2002; Huijbregts 1998a) sont résumées dans le

Tableau 6. Certaines incertitudes proviennent des choix de l’utilisateur de l’ACV lors de la phase des définitions des objectifs. D’autres proviennent également des hypothèses fondatrices de l’ACV telles que la linéarisation des phénomènes : linéarisation des flux d’un processus en fonction de l’unité de production, linéarisation des indicateurs d’impact aux flux élémentaire. Enfin, d’autres sources d’incertitudes proviennent du manque de données représentatives des processus du système, et le modélisateur ACV a parfois recours à des données supposées proches.

Tableau 6 : Les types et sources d’incertitude pour les différentes phases de l’ACV (Björklund 2002)

Type d’incertitude Phase de l’ACV

Définition des objectifs Inventaire Evaluation des impacts

Donnée non appropriée - Donnée mesurée non

appropriée

Incertitude sur la durée de vie des substances et

leur contribution

Manque de données - Manque de donnée Manque de donnée

Non représentativité des données

- Manque de donnée

d’inventaire représentative

-

Incertitude de modèle - Simplification des

modèles Linéarisation Modélisation statique au lieu de dynamique Simplification des modèles Linéarisation Modélisation statique au lieu de dynamique

Incertitude due au choix Choix des unités

fonctionnelles Choix des limites

Choix de l’allocation Le niveau de technologie Choix du type de donnée

marginal/moyennée

Non prise en compte d’impact connue pertinent

Choix de la méthode de caractérisation

Variabilité spatiale - Différence par rapport à

la localisation

Différence avec les différents milieux

récepteurs

Variabilité temporelle - Différence par rapport à

l’évolution des inventaires

Les horizons de temps Simplification du caractère dynamique

l’environnement Variabilité avec la réalité

(objects/sources)

- Différence avec

l’utilisation de procédés équivalent

Différences entre les caractéristiques des milieux récepteurs : l’homme et l’environnement Incertitude épistémologique

Ignorance des aspects importants du système

étudié

Ignorance des procédés modélisés Ignorance de catégorie d’impact Ignorance de facteurs de caractérisation Ignorance des substances contributeurs à la catégorie d’impact

Erreur Aucun Aucun Aucun

Estimation de l’incertitude - Estimation de l’incertitude

des paramètres d’inventaires

Estimation des incertitudes des facteurs

de caractérisation

Ainsi le « Handbook general guide for LCA » (JRC 2010), définit précisément trois sources d’incertitudes via une proposition de classification : les incertitudes stochastiques, les

incertitudes dues aux choix et les incertitudes dues au manque d’information.

- Les incertitudes stochastiques sont celles qui sont associées aux données d’inventaires et

aux différents paramètres des méthodes de caractérisation. Elles peuvent en général être caractérisées par des distributions statistiques de type continu et peuvent être prises en compte par des méthodes de propagation analytique ou des simulations probabilistes ou encore des approches telles que l’analyse de sensibilité suivie d’une comparaison de scénarios.

- Les incertitudes dues aux choix sont généralement de nature discrète à l’opposé des

précédentes. Elles proviennent généralement des choix de processus pour représenter le système, des choix des limites, des règles de coupures considérées, des choix de méthodes (allocation, caractérisation), des choix de données en arrière-plan. Ces incertitudes sont traitées par la prise en compte de scénario.

- Les incertitudes résultant du manque d’informations ou de données, peuvent contraindre

le modélisateur ACV à omettre certaines parties du système qu’il étudie ou de prendre des fausses hypothèses concernant les processus à prendre en compte ou les flux élémentaires à considérer.

Le « Handbook general guide for LCA » (JRC 2010) conclue que la validité d’une étude ACV dépend de trois critères principaux qui sont l’exactitude, la précision, et l’exhaustivité. Ces trois critères résument les différentes caractéristiques suivantes :

- La représentativité : cela concerne trois points principaux, la représentativité technologique, géographique et temporelle.

- La pertinence et la cohérence des choix méthodologiques : cela est nécessaire pour la pertinence et la reproductibilité des résultats. Elle peut concerner les principes de modélisation, les approches considérées, la cohérence des méthodes.

- L’exactitude : cette caractéristique peut définir l’écart des valeurs modélisées ou mesurées à la moyenne. Elle est complémentaire à la précision et à l’incertitude et permet de caractériser la représentativité.

- La précision et l’incertitude : la première qualifie la reproductibilité des données ou des résultats tandis que la seconde est une représentation quantitative du manque de précision. - La variance et la variabilité : la variance est liée à la mesure de l’incertitude tandis que la

variabilité est liée à la différence réelle de plusieurs procédés ayant des données d’inventaires différents.

- L’exhaustivité : consiste en la prise en compte et le choix des impacts pertinents pour l’étude, elle peut être aussi liée à l’exhaustivité des flux considérés dans l’inventaire.

Enfin, la distinction entre incertitudes et variabilité a été précisée. Les incertitudes caractérisent les erreurs de mesures ou de modélisation liées aux données (JRC 2010; Björklund 2002) et la variabilité du système est définie comme la part des incertitudes générées par l’hétérogénéité (réelle) des processus. Différentes approches ont été établies pour traiter ces différentes sources de variabilités des résultats d’ACV ou des méthodes d’évaluations environnementales.